DOI QR코드

DOI QR Code

GRU 언어 모델을 이용한 Fuzzy-AHP 기반 영화 추천 시스템

A Fuzzy-AHP-based Movie Recommendation System using the GRU Language Model

  • 오재택 (공주대학교 컴퓨터공학과) ;
  • 이상용 (공주대학교 컴퓨터공학부)
  • Oh, Jae-Taek (Department of Computer Science & Engineering, Kongju National University) ;
  • Lee, Sang-Yong (Division of Computer Science & Engineering, Kongju National University)
  • 투고 : 2021.05.24
  • 심사 : 2021.08.20
  • 발행 : 2021.08.28

초록

무선 기술의 고도화 및 이동통신 기술의 인프라가 빠르게 성장함에 따라 AI 기반 플랫폼을 적용한 시스템이 사용자의 주목을 받고 있다. 특히 사용자의 취향이나 관심사 등을 이해하고, 선호하는 아이템을 추천해주는 시스템은 고도화된 전자상거래 맞춤형 서비스 및 스마트 홈 등에 적용되고 있다. 그러나 이러한 추천 시스템은 다양한 사용자들의 취향이나 관심사 등에 대한 선호도를 실시간으로 반영하기 어렵다는 문제가 있다. 본 연구에서는 이러한 문제를 해소하기 위해 GRU(Gated Recurrent Unit) 언어 모델을 이용한 Fuzzy-AHP 기반 영화 추천 시스템을 제안하였다. 본 시스템에서는 사용자의 취향이나 관심사를 실시간으로 반영하기 위해 Fuzzy-AHP를 적용하였다. 또한 대중들의 관심사 및 해당 영화의 내용을 분석하여 사용자가 선호하는 요인과 유사한 영화를 추천하기 위해 GRU 언어 모델 기반의 모델을 적용하였다. 본 추천 시스템의 성능을 검증하기 위해 학습 모듈에서 사용된 스크래핑 데이터를 이용하여 학습 모델의 적합성을 측정하였으며, LSTM(Long Short-Term Memory) 언어 모델과 Epoch 당 학습 시간을 비교하여 학습 수행 속도를 측정하였다. 그 결과 본 연구의 학습 모델의 평균 교차 검증 지수가 94.8%로 적합하다는 것을 알 수 있었으며, 학습 수행 속도가 LSTM 언어 모델보다 우수함을 확인할 수 있었다.

With the advancement of wireless technology and the rapid growth of the infrastructure of mobile communication technology, systems applying AI-based platforms are drawing attention from users. In particular, the system that understands users' tastes and interests and recommends preferred items is applied to advanced e-commerce customized services and smart homes. However, there is a problem that these recommendation systems are difficult to reflect in real time the preferences of various users for tastes and interests. In this research, we propose a Fuzzy-AHP-based movies recommendation system using the Gated Recurrent Unit (GRU) language model to address a problem. In this system, we apply Fuzzy-AHP to reflect users' tastes or interests in real time. We also apply GRU language model-based models to analyze the public interest and the content of the film to recommend movies similar to the user's preferred factors. To validate the performance of this recommendation system, we measured the suitability of the learning model using scraping data used in the learning module, and measured the rate of learning performance by comparing the Long Short-Term Memory (LSTM) language model with the learning time per epoch. The results show that the average cross-validation index of the learning model in this work is suitable at 94.8% and that the learning performance rate outperforms the LSTM language model.

키워드

참고문헌

  1. Kazuhiro Takuchi, Ryoko Morishima. (2018). Life-changing Artificial Intelligence, Seoul: Young Jin, p. 8, 65-69.
  2. J. H. Bae. (2019. 07). Special Report 1. Maekyung Economy, 2016, 54-57.
  3. C. M. Kwon. (2019). Python Machine Learning Perfect Guide. Paju: Wiki books. p. 556-559
  4. J. S. Park. (2020. 02). Evolving Beauty Techniques. Economist, 1521, 22-24.
  5. Y. K. Kim. (2019. 10). How far can we trust artificial intelligence?. Economist, 1503, 24-28.
  6. K. K. Hwang. (2020. 01). Future Technology Appears in CES 2020. Economist, 1518, 26-31.
  7. D. Wang, S. Liu, G. Xu & S. Deng. (2016). Improving Music Recommendation using Distributed Representation. Proceedings of the 25th International Conference Companion on World Wide Web, 125-126.
  8. M. Ahmed, M. T. Imtiaz & R. Khan. (2018). Movie Recommendation System using Clustering and Pattern Recognition Network, 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, 143-147.
  9. S. K. Lee, G. Mogi & J. W. Kim. (2008). A Fuzzy AHP Approach to Prioritize the Energy Technology Development Strategy and Policy. New & Renewable Energy, 4(1), 19-24.
  10. E. Kinoshita, T. Oya. (2012). Strategic Decision Making - AHP. Seoul: Cheong Ram, p. 15-22.
  11. R. Sebastian, M. Vahid. (2019). Python Machine Learning Second Edition. Seoul: Gilbut. p. 571-579, 594-601.
  12. H. Tanioka. (2018). Easiest Deep Learning Introductory Classroom. Paju: Wikibooks. p. 211-215.
  13. H. H. Kim. (2020). Tensorflow 2.0 Programming. Paju: Wikibooks. p. 194-199.
  14. Y. Sugomori. (2017). Learning Deep Learning with Standard. Paju: Wikibooks. p. 255-256.
  15. J. Y. Chung, C. Gulcehre, K. H. Cho & Y. Bengio. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. In NIPS 2014 Workshop on Deep Learning, 1-9.
  16. R. Albalawi, T. H. Yeap & M. Benyoucef. (2019). Toward A Real-time Social Recommendation System. Proceedings of the 11th International Conference on Management of Digital EcoSystems, 336-340.
  17. M. Pavithra, K. Saruladha & K. Sathyabame. (2019). GRU based Deep Learning Model for Prognosis Prediction of Disease Progression. 2019 3rd International Conference on Computing Methodologies and Communication, 840-844.
  18. C. Francois. (2018). Deep Learning with Python. Seoul: Gilbut. p. 151-157, 355-356.
  19. A. C. Muller, S. Guido. (2019). Introduction to Machine Learning with Python. Seoul: Hanbit Media. p. 337, 433-434.